本申请属于人工智能领域,具体涉及一种模型训练方法及装置。
背景技术:
1、随着人工智能的发展,在诸如语音识别、计算机视觉、医学医疗和智能博弈等领域已越来越广泛地应用机器学习模型。
2、机器学习模型在应用之前,需先进行训练。相关技术中的模型训练方式往往会依赖于特定的系统环境。在系统环境发生变化(例如,从windows系统切换为ios系统)的情况下,可能无法采用原有的模型训练方式进行模型训练,导致原有模型训练方式的可移植性较差。
技术实现思路
1、本申请实施例提供一种模型训练方法及装置,能够解决相关技术中的模型训练方式可移植性较差的问题。
2、第一方面,本申请实施例提供了一种模型训练方法,该方法包括:
3、获取目标数据集;
4、获取用于模型训练的第一docker镜像;
5、根据所述第一docker镜像,启动容器;
6、在所述容器中利用所述目标数据集进行模型训练,得到目标机器学习模型。
7、第二方面,本申请实施例提供了一种模型训练的装置,该装置包括:
8、获取模块,用于获取目标数据集;获取用于模型训练的目标docker镜像;
9、处理模块,用于根据所述第一docker镜像,启动容器;在所述容器中利用所述目标数据集进行模型训练,得到目标机器学习模型。
10、第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器和存储器,所述存储器存储在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
11、第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
12、第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
13、第六方面,本申请实施例提供一种计算机程序产品,该程序产品被存储在存储介质中,该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
14、在本申请实施例中,通过获取目标数据集;获取用于模型训练的第一docker镜像;根据所述第一docker镜像,启动容器;在所述容器中利用所述目标数据集进行模型训练,得到目标机器学习模型。如此,可以通过用于模型训练的第一docker镜像启动容器,并在容器中进行模型训练。在此过程中,通过docker镜像和容器可以保证模型训练不依赖于特定的外部环境,使得模型训练可以具有可移植性,并可以跨平台迁移,能够解决相关技术中的模型训练方式可移植性较差的问题。
1.一种模型训练方法,其特征在于,包括:
2.根据权利要求1所述的模型训练方法,其特征在于,所述第一docker镜像包含第一机器学习模型;
3.根据权利要求2所述的模型训练方法,其特征在于,所述方法还包括:获取用于模型训练的元数据信息;
4.根据权利要求1所述的模型训练方法,其特征在于,所述在所述容器中利用所述目标数据集进行模型训练,得到目标机器学习模型包括:
5.根据权利要求4所述的模型训练方法,其特征在于,在所述启动容器之后,所述方法还包括:
6.根据权利要求4或5所述的模型训练方法,其特征在于,所述在所述容器中利用所述目标数据集对输入的机器学习模型进行训练,得到目标机器学习模型包括:
7.根据权利要求5所述的模型训练方法,其特征在于,在所述启动容器之前,所述方法还包括:
8.根据权利要求7所述的模型训练方法,其特征在于,在生成用于显示在线编程环境的目标任务之后,所述方法还包括:
9.根据权利要求1所述的模型训练方法,其特征在于,在所述容器中利用所述目标数据集进行模型训练,得到目标机器学习模型之后,所述方法还包括:
10.根据权利要求1所述的模型训练方法,其特征在于,
11.根据权利要求1所述的模型训练方法,其特征在于,
12.根据权利要求11所述的模型训练方法,其特征在于,所述docker镜像仓库中的docker镜像为包含机器学习模型的镜像,所述机器学习模型是通过在容器中运行训练任务而被验证成功的模型。
13.一种模型训练装置,其特征在于,所述装置包括:
14.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-12任一项所述的模型训练方法的步骤。
15.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-12任一项所述的模型训练方法的步骤。